TensorFlow apply_gradients remotamente
Estou tentando dividir a função minimizar em duas máquinas. Em uma máquina, estou chamando "compute_gradients", em outra eu chamo "apply_gradients" com gradientes que foram enviados pela rede. A questão é que chamar apply_gradients (...). Run (feed_dict) parece não funcionar, não importa o que eu faça. Tentei inserir espaços reservados no lugar dos gradientes de tensor para apply_gradients,
variables = [W_conv1, b_conv1, W_conv2, b_conv2, W_fc1, b_fc1, W_fc2, b_fc2]
loss = -tf.reduce_sum(y_ * tf.log(y_conv))
optimizer = tf.train.AdamOptimizer(1e-4)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
compute_gradients = optimizer.compute_gradients(loss, variables)
placeholder_gradients = []
for grad_var in compute_gradients:
placeholder_gradients.append((tf.placeholder('float', shape=grad_var[1].get_shape()) ,grad_var[1]))
apply_gradients = optimizer.apply_gradients(placeholder_gradients)
depois, quando eu receber os gradientes que chamo
feed_dict = {}
for i, grad_var in enumerate(compute_gradients):
feed_dict[placeholder_gradients[i][0]] = tf.convert_to_tensor(gradients[i])
apply_gradients.run(feed_dict=feed_dict)
No entanto, quando faço isso, recebo
ValueError: configurando um elemento da matriz com uma sequência.
Esta é apenas a última coisa que tentei, também tentei a mesma solução sem espaços reservados, além de esperar para criar a operação apply_gradients até receber os gradientes, o que resulta em erros de gráfico não correspondentes.
Alguma ajuda sobre qual direção devo seguir com isso?